Logisches Denken mit KI: Dein Leitfaden für das COSI 112a Abschlussprojekt im Mai 2026

Warum dieses Thema jetzt besonders relevant ist

Im Mai 2026 hat sich die KI-Landschaft rasant weiterentwickelt. Große Sprachmodelle (LLMs) wie GPT-5 und Claude 4 sind allgegenwärtig – doch ihre Fähigkeit, logisch zu denken, bleibt eine zentrale Herausforderung. Genau hier setzt das COSI 112a Abschlussprojekt an: Es fordert dich auf, formale Logik (modale, epistemische, temporale Logik) mit modernem Machine Learning zu verbinden. Ob du einen KI-Assistenten für dein Studium baust oder die Grenzen von Reasoning in LLMs analysierst – dieses Projekt ist deine Chance, an der Spitze der KI-Forschung mitzuwirken.

Die drei Tracks im Überblick

Dein Projekt kann in einen von drei Tracks fallen. Jeder hat seinen eigenen Fokus, aber alle verlangen eine solide Anwendung der Kursthemen.

Track 1: Research & Training – Modelle zum Logikgenie machen

Hier geht es darum, ein Modell zu trainieren oder zu verfeinern, damit es logische Aufgaben löst. Stell dir vor, du feintunst ein LLM auf modale Logik – etwa um Aussagen wie „Es ist möglich, dass der KI-Agent den Raum verlässt“ zu verarbeiten. Oder du entwickelst einen SAT-Solver mit einer Transformer-Architektur (TRM). Ein aktuelles Beispiel aus dem Jahr 2026: Forscher haben gezeigt, dass Reinforcement Learning (RL) Modelle besser in deontischer Logik macht – also dem logischen Verständnis von Erlaubnissen und Verboten. Dein Projekt könnte diese Erkenntnisse vertiefen.

Track 2: Systems & Applications – Logik zum Anfassen

Baue ein interaktives System, das Logik wirklich nutzt. Denk an ein Deduktionsspiel, bei dem ein KI-Gegner mit epistemischer Logik über das Wissen der Spieler nachdenkt. Oder einen Policy-Compliance-Checker für Unternehmensrichtlinien. Ein trendiges Beispiel aus der Gaming-Welt: In „Among Us 2“ (2026) nutzen KI-Spieler gemeinsames Wissen, um Lügner zu entlarven – genau das könntest du mit dynamisch-epistemischer Logik modellieren. Deine Benutzeroberfläche kann simpel sein (Kommandozeile oder Web-App), Hauptsache die Logik arbeitet im Hintergrund.

Track 3: Analysis & Theory – Warum funktioniert Logik?

Dieser Track ist für alle, die tief in die Theorie eintauchen wollen. Du könntest die Komplexität von hybriden Logiken analysieren oder Kripke-Strukturen nutzen, um LLM-Dialoge zu modellieren. Im Mai 2026 ist ein heißes Thema die wahrscheinlichkeitstheoretische epistemische Logik – damit lassen sich etwa Informationsdiffusion in sozialen Netzwerken simulieren. Deine Arbeit könnte beweisen, dass ein neuer Logik-Kalkül vollständig und korrekt ist – ein echter Beitrag zur KI-Grundlagenforschung.

So wählst du das perfekte Projekt

Deine Wahl sollte zu deinen Stärken und Interessen passen. Bist du der Machine-Learning-Enthusiast, der gerne Modelle füttert? Dann ist Track 1 ideal. Liebst du es, Apps zu bauen, die echten Nutzen bringen? Track 2 ist dein Ding. Und wenn du gerne über Beweise und formale Semantik grübelst, dann wähle Track 3. Unabhängig vom Track: Dein Projekt muss originell sein und über das hinausgehen, was im Kurs gezeigt wurde.

Zeitplan und Meilensteine

Das Projekt erstreckt sich über mehrere Wochen. Hier die wichtigsten Termine (angepasst an den Kurs aus Fall 2025, aber für deine Planung 2026 gültig):

• Proposal (1–2 Seiten): 14. November – Lege Titel, Motivation, Ansatz und Evaluierung fest.
• Progress Check-in: 2. Dezember – Zeige deinen bisherigen Code oder deine Analyse.
• Finale Abgabe: 18. Dezember – Reiche Bericht (4–8 Seiten) und Implementierung ein.

Plane genug Zeit für Debugging und Literaturrecherche ein. Ein häufiger Fehler ist, den Umfang zu unterschätzen – besonders bei Fine-Tuning von LLMs, das viel Rechenzeit benötigt.

Technische Tipps für dein Projekt

Unabhängig vom Track: Deine Implementierung sollte sauber und dokumentiert sein. Nutze Python mit Bibliotheken wie transformers, numpy oder sympy für logische Operationen. Für epistemische Logik kann dir das Paket modelcheck helfen. Achte darauf, dass deine Kripke-Strukturen korrekt sind – eine falsche Relation kann dein gesamtes Modell ungültig machen.

Ein Praxisbeispiel: Du möchtest ein Multi-Agenten-System bauen, das die Überzeugungen von KI-Agenten in einem Verhandlungsspiel modelliert. Definiere zunächst die Menge der möglichen Welten und die Erreichbarkeitsrelationen für jeden Agenten. Dann implementiere die dynamisch-epistemische Aktualisierung, wenn ein Agent eine Aktion ausführt. Teste dein System mit einfachen Szenarien, bevor du es komplexer machst.

Häufige Fallstricke und wie du sie vermeidest

• Zu großer Umfang: Konzentriere dich auf eine klar abgegrenzte Aufgabe. Statt „ein komplettes Logiksystem“ zu bauen, nimm dir ein Teilproblem vor, z.B. „Modellierung von gemeinsamem Wissen in zwei Agenten“.
• Fehlende Evaluation: Überlege dir vorab, wie du den Erfolg misst. Bei Track 1: Wie viele logische Schlüsse zieht das Modell korrekt? Bei Track 2: Wie schnell und benutzerfreundlich ist die Anwendung? Bei Track 3: Wie rigoros sind deine Beweise?
• Schlechte Dokumentation: Dein Code sollte kommentiert sein, und der Bericht muss die Logik hinter deinem Ansatz erklären. Ein Gutachter muss deine Gedanken nachvollziehen können.

Trends 2026: Was ist gerade angesagt?

Im Mai 2026 sind KI-Agenten der heiße Scheiß – autonome Assistenten, die selbstständig planen und handeln. Diese Agenten müssen temporale Logik beherrschen, um ihre Aktionen zu timen. Auch Common Knowledge in Multi-Agenten-Systemen ist ein großes Thema, etwa bei autonomen Fahrzeugen, die sich gegenseitig einschätzen müssen. Dein Projekt könnte einen dieser Trends aufgreifen – zum Beispiel einen KI-Assistenten, der mit deontischer Logik prüft, ob eine geplante Handlung erlaubt ist. Oder du analysierst, wie gut aktuelle LLMs mit temporalen Schlüssen umgehen – ein heißes Feld nachdem bekannt wurde, dass selbst GPT-5 bei Zeitangaben oft versagt.

Beispiel: Ein Deduktionsspiel mit epistemischer Logik

Stell dir vor, du entwickelst ein Spiel, in dem ein Spieler und ein KI-Gegner versuchen, die Farbe einer Karte zu erraten. Der KI-Gegner nutzt epistemische Logik, um zu modellieren, was der Spieler weiß. Du definierst Kripke-Strukturen für die Wissenszustände: Jeder Zustand repräsentiert eine mögliche Kartenfarbe. Die Erreichbarkeitsrelationen zeigen, welche Zustände der KI zugänglich sind. Wenn der Spieler eine Karte zieht, aktualisiert die KI ihr Wissen – das ist dynamisch-epistemische Logik in Aktion. Dein Spiel könnte dann visualisieren, wie sich das Wissen verändert. Das wäre nicht nur lehrreich, sondern auch ein cooles interaktives Tool für den Unterricht.

Fazit

Das COSI 112a Abschlussprojekt ist deine Chance, Theorie und Praxis zu verbinden. Egal ob du ein KI-Modell trainierst, eine App baust oder Beweise führst – du wirst tief in die Welt der formalen Logik eintauchen. Nutze die aktuellen Trends, um dein Projekt relevant zu machen. Und denk dran: Der Schlüssel zum Erfolg ist ein klares, fokussiertes Konzept. Starte früh mit deinem Proposal und hole dir Feedback von deinem Dozenten. Dann steht einer herausragenden Note nichts im Wege.